Yürüyen Merdiven Fraktal Davranışı, Dördüncü Bölüm

By Dr.Ali Albadri | Bakım | 1 Şubat 2021

Okuma süresi 6 dakika

Fig1
Şekil 1: Yürüyen merdivendeki dört bölge
AI'ya Genel Bakış

Akıllı basamak verileri dört seyahat bölgesine ayrıldı ve her biri için, Excel'de uygulanan, Çok Çözünürlüklü Uzunluk Yöntemine benzer bir ölçekleme basamak tekniği kullanılarak fraktal boyut (Df) hesaplandı. Sonuçlar, genel Df'nin bölgesel Df değerlerinin basit toplamına eşit olduğunu doğrulamakta ve mekanik bir kusuru olan A yürüyen merdiveninin, kusursuz B yürüyen merdivenine göre daha yüksek Df değerleri ürettiğini göstermektedir; en büyük artış, dönüş eğimi bölgesinde, dönüş tarafındaki yükleme tahliye rampalarının yanlış hizalanmasıyla ilişkilidir. Kısmi Df değerlerinin nicelleştirilmesi, mekanik gerilimi ve arızaları belirlemeyi ve karakterize etmeyi mümkün kılarak, diğer mekanik ve elektrik sistemlerine uygulanabilir taşınabilir, nicel bir teşhis yaklaşımı sunmaktadır.

Seri sonuç ayrıntıları, fraktal kavramının dağıtımını ve mekanik performans ve yolcu hizmeti için yürüyen merdivenlerin kullanılabilirliği ile bağlantılı olarak kısmi değerleri.

Bu serinin üçüncü bölümü[1], mekanik arızalı bir yürüyen merdivenin davranışının, mekanik arızası olmayan başka bir yürüyen merdivenin davranışına karşı ölçülebileceğini ortaya koydu.
kusur. Fraktal boyut (Df) kavramının, iki yürüyen merdivendeki akıllı adımdan kaydedilen verileri nicelleştirdiği tahmin ediliyordu.[3 & 4] Bu makale, önceki çalışmada[1] kaydedilen izlerin uzunluğunu bölerek daha derine iniyor. yürüyen merdiven içindeki akıllı adımın dört bölgeye seyahati. Her bölgenin Df değeri daha önce olduğu gibi belirlendi.
genel Df değerinin, tek tek bölgelerin Df değerlerinin basit matematiksel toplamının ürünü olduğunu belirledi.[5 & 6]

Bu makaledeki çalışma, yukarıdaki gerçeği bir kez daha tekrarlamaktadır. Ayrıca, mekanik arızası olan ve olmayan bir yürüyen merdiven için iki çalışma senaryosunu karşılaştırır. Böyle bir metodoloji oluşturmanın ardındaki fayda, bakımcıların arıza türlerini nicel olarak teşhis etmelerine yardımcı olmanın yanı sıra makinedeki kusurun yerini belirlemesidir. Bu ilke ve esaslar sadece yürüyen merdivenlere değil, herhangi bir mekanik veya elektrik sistemine de uygulanabilir.

Giriş

Şimdiye kadar, akıllı adımı ve ondan gelen verileri kullanarak aşağıdakileri inceledik ve kurduk:

  1. Akıllı adım, yürüyen merdivenlerin çalışma parmak izini kaydeden ve oluşturan yürüyen merdivenler için mükemmel bir algılama aracıdır.[4]
  2. Akıllı adımdan elde edilen veriler tekrarlanabilir ve tutarlıdır.[4]
  3. Bir yürüyen merdivenin mekanik davranışını ölçmek için Df konseptini uyguladık.[5]
  4. Yolcuların yürüyen merdiven davranışı üzerindeki etkisi, Df konsepti kullanılarak ölçülebilir.[5 & 6]

Bir yürüyen merdivendeki akıllı adım için bir döngünün seyahat uzunluğu ayrı bölgelere ayrılabilir. Bir yürüyen merdiven için bir izin genel davranışının Df'si, o yürüyen merdivenin ayrı bölgelerinin Df değerlerinin matematiksel toplamına eşittir.

Bu makale, Df konsepti kullanılarak mekanik kusurların tespit edilebileceğini ve nicelleştirilebileceğini belirleyerek 4. ve 5. noktaları tekrarlayacaktır. Ayrıca mekanik arızalı bir yürüyen merdiven için toplam Df değeri, o yürüyen merdivendeki ayrı bölgelerin Df değerlerinin basit matematiksel toplamına eşittir.

Df'yi Belirlemek için Kullanılan Metodoloji

Df'yi belirlemek için ölçekleme adımı tekniği tekrar kullanıldı. Df'yi belirlemek ve verileri çizmek için Microsoft Excel'de bir bilgisayar programı yazılmıştır. Metodolojimiz, birçok araştırmacı tarafından kullanılan Çoklu Çözünürlük Uzunluk Metodu'na çok benzer.[7 & 9-12]

Bu serinin üçüncü bölümü, verilerin, adımın her iki tarafında (sol ve sağ) bir gerinim ölçer bulunan akıllı bir adımdan toplandığını gösterdi. Adım, A ve B olmak üzere iki yürüyen merdivende çalıştırıldı. Yürüyen merdiven A'nın mekanik bir arızası olduğu tespit edildi. Her gerinim ölçer için her iz dört bölgeye ayrıldı (Şekil 1):

  1. Üst D bölgesi
  2. Ana eğim bölgesi
  3. Alt D bölgesi
  4. dönüş eğimi
    “D” adım bandında ana taraftan dönüş taraflarına ve dönüşten ana tarafa geçiş aşamalarını belirtmek için kullanılır. Şekil 2, örneğin gerinim ölçer 1'den gelen izin dört bölgeye nasıl ayrıldığını göstermektedir. Her bölge için Df değeri hesaplandı.

Sonuçlar ve tartışma

Dört bölünmüş bölgenin tamamının Df değerleri, yürüyen merdivenler A ve B'deki koşular için belirlendi (Şekil 3) ve Tablo 1 ve 2'de listelendi. Tablo 1 ve 2'deki sonuçlar, yürüyen merdiven A veya B, tek tek bölgelerin Df değerlerinin basit matematiksel toplamına eşittir.

Tablo 1 ve 2'deki Df değerlerinin karşılaştırılması, yürüyen merdiven A'dan üretilen tahmini değerlerin, yürüyen merdiven B'den üretilenlerden daha yüksek olduğunu göstermektedir. Tablo 1'de kaydedilen en yüksek Df değeri dönüş eğim bölgesindedir. Bu bulgu, 3. bölümdeki önceki bulgularımız ile uyumludur ve her iki yürüyen merdiven üzerinde yaptığımız görsel araştırmaları doğrulamaktadır. Df değerindeki artışın nedeni dönüş tarafındaki yükleme boşaltma rampalarındaki yanlış hizalamadır.

Sonuç

Bu çalışmada önemli bir sonuç çıkarılabilir: kısmi Df değerleri ayrı ayrı belirlenebilir ve miktarları yürüyen merdiven gibi bir makinenin hatasız olup olmadığını belirlemek için kullanılabilir. Ayrıca, Df değerlerini, basamak yapısının kritik bileşeninde üretilen stres seviyesiyle ilişkilendirmek için çok iyi bir şans vardır.


Referanslar

[1] A. Albadri. “Yürüyen Merdiven Fraktal Davranışı, Üçüncü Bölüm,” ELEVATOR WORLD, Ocak 2021.

[2] A. Albadri. “Yürüyen Merdiven Fraktal Davranışı, İkinci Bölüm,” EW, Aralık 2020.


[3] A. Albadri. “Tube Lines, Yürüyen Merdiven Aşınmasını İzlemek İçin Akıllılaşıyor,” Computer Weekly (07/01/2008).


[4] A. Albadri. “Akıllı Adım Yürüyen Merdivenlerin Kalp Atışlarını Ölçer,” EW, Eylül 2020.


[5] A. Albadri. “Yürüyen Merdiven Fraktal Davranışı, Birinci Bölüm,” EW, Ekim 2020.


[6] JD Victor. “Sistem Tanımlama Prosedürü için Test Sinyali Etkilerinin Fraktal Boyutu, Biyolojik Sibernetik 57, s. 421-426 (1987).


[7] Francis C. Ay. “İmalat Süreçlerinde Dinamikler ve Kaos,” Wiley Serisi, Doğrusal Olmayan Bilim (1998).


[8] Athanasia Zlatintsi. “Tanıma Uygulaması ile Müzik Aleti Sinyallerinin Çok Ölçekli Fraktal Analizi”, Elektrik ve Elektronik Mühendisleri Enstitüsü (IEEE) Sesli Konuşma ve Dil İşleme İşlemleri Vol. 21, Sayı 4, Nisan 2013.


[9] Chang-Ting Shi. “Fractal Özellikler ve Makine Öğrenmesine Dayalı Sinyal Örüntü Tanıma,” Applied Sciences 8, s. 1327 (2018).


[10] Dumitru Scheianu ve Ion Tutanescu, Pitesti Üniversitesi, Elektronik, İletişim ve Bilgisayar Bölümü.

[11] P. Marago ve A. Potamianos. “Fractal Dimensions of Speech Sounds: Computation and Application to Automatic Speech Recognition,” Journal of Acoustical Society of America, No. 195 (3), Mart 1999.


[12] RH Riedi, MS Crouse, VJ Ribeiro ve RG Baraniuk. “Ağ Trafiğine Uygulamalı Bir Multifraktal Dalga Modeli”, IEEE Transactions on Information Theory Vol. 45, No. 3, Nisan 1999.

Paylar